TP4_Descubriendo patrones temporales y espaciales en los datos
EP_ AF
5/17/2020
###TP4_“ANALIZANDO DATOS ESPACIOTEMPORALES”
cargamos las librerias que necesitamos para trabajar con espacio y tiempo
library(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionlibrary(tidyverse)## -- Attaching packages ------------------------------------------------------------------------------------------------------ tidyverse 1.3.0 --## v ggplot2 3.3.0 v purrr 0.3.4
## v tibble 3.0.1 v dplyr 0.8.5
## v tidyr 1.0.2 v stringr 1.4.0
## v readr 1.3.1 v forcats 0.5.0## -- Conflicts --------------------------------------------------------------------------------------------------------- tidyverse_conflicts() --
## x lubridate::as.difftime() masks base::as.difftime()
## x lubridate::date() masks base::date()
## x dplyr::filter() masks stats::filter()
## x lubridate::intersect() masks base::intersect()
## x dplyr::lag() masks stats::lag()
## x lubridate::setdiff() masks base::setdiff()
## x lubridate::union() masks base::union()library(data.table)##
## Attaching package: 'data.table'## The following objects are masked from 'package:dplyr':
##
## between, first, last## The following object is masked from 'package:purrr':
##
## transpose## The following objects are masked from 'package:lubridate':
##
## hour, isoweek, mday, minute, month, quarter, second, wday, week,
## yday, yearlibrary(rtweet)##
## Attaching package: 'rtweet'## The following object is masked from 'package:purrr':
##
## flattenlibrary(sf)## Linking to GEOS 3.6.1, GDAL 2.2.3, PROJ 4.9.3library(osmdata)## Data (c) OpenStreetMap contributors, ODbL 1.0. https://www.openstreetmap.org/copyrightlibrary(leaflet)devtools::install_github("yutannihilation/ggsflabel")## WARNING: Rtools is required to build R packages, but is not currently installed.
##
## Please download and install Rtools custom from http://cran.r-project.org/bin/windows/Rtools/.## Skipping install of 'ggsflabel' from a github remote, the SHA1 (a489481b) has not changed since last install.
## Use `force = TRUE` to force installationlibrary(ggsflabel)##
## Attaching package: 'ggsflabel'## The following objects are masked from 'package:ggplot2':
##
## geom_sf_label, geom_sf_text, StatSfCoordinatesPaso I
Trabajaremos con el dataset de tweets de rmba, que contiene coordenadas y fechaS. Chequeamos con “summary” contenido del dataset.
tweets_rmba <- fread("tweets_rmba.csv",
encoding = "UTF-8",
header=TRUE,
sep=",",
showProgress=TRUE,
data.table=FALSE)tweets_rmba <- sample_frac(tweets_rmba, 0.05)nrow(tweets_rmba)## [1] 43187summary(tweets_rmba)## X Y id in_reply_to_status_id
## Min. :-59.30 Min. :-35.19 Min. :9.182e+17 Min. :3.617e+17
## 1st Qu.:-58.52 1st Qu.:-34.65 1st Qu.:9.337e+17 1st Qu.:9.273e+17
## Median :-58.41 Median :-34.61 Median :9.527e+17 Median :9.431e+17
## Mean :-58.45 Mean :-34.62 Mean :9.548e+17 Mean :9.487e+17
## 3rd Qu.:-58.37 3rd Qu.:-34.58 3rd Qu.:9.755e+17 3rd Qu.:9.687e+17
## Max. :-57.84 Max. :-33.97 Max. :1.003e+18 Max. :1.003e+18
## NA's :41588
## in_reply_to_user_id text created lang
## Min. :8.071e+05 Length:43187 Length:43187 Length:43187
## 1st Qu.:5.065e+08 Class :character Class :character Class :character
## Median :1.180e+09 Mode :character Mode :character Mode :character
## Mean :7.648e+16
## 3rd Qu.:1.180e+09
## Max. :9.979e+17
## NA's :41204
## source user_name user_id user_created
## Length:43187 Length:43187 Min. :1.059e+03 Length:43187
## Class :character Class :character 1st Qu.:1.765e+08 Class :character
## Mode :character Mode :character Median :4.950e+08 Mode :character
## Mean :5.295e+16
## 3rd Qu.:1.383e+09
## Max. :9.960e+17
##
## user_description user_location user_followers user_followed
## Length:43187 Length:43187 Min. : 0 Min. : 0
## Class :character Class :character 1st Qu.: 195 1st Qu.: 83
## Mode :character Mode :character Median : 492 Median : 1213
## Mean : 8380 Mean : 5571
## 3rd Qu.: 1416 3rd Qu.: 5958
## Max. :4924516 Max. :439346
## Verificamos que contiene coordenadas “x’ e”y" , asi como fecha y hora de los tweets cargados.Las fechas van desde febrero de 2007 hasta mayo 2018. Tambien observamos que la clase de dato de columna de la fecha, llamada “created” es un “character”.
####Convertimos el campo “fecha” del dataset de tweets_rmba , nombrado como “created” con la funcion “ymd_hms()”.
tweets_rmba <- tweets_rmba %>% mutate(created = ymd_hms(created))head(tweets_rmba)## X Y id in_reply_to_status_id in_reply_to_user_id
## 1 -58.46670 -34.60000 9.337071e+17 NA NA
## 2 -58.39022 -34.60438 9.596084e+17 NA NA
## 3 -58.44256 -34.59396 9.889600e+17 NA NA
## 4 -58.38583 -34.60056 9.902515e+17 NA NA
## 5 -58.38170 -34.60330 9.711877e+17 NA NA
## 6 -58.50743 -34.55959 9.361971e+17 NA NA
## text
## 1 Mi #tbt de hoy es viajando a la eterna primavera noteseme la felicidad de iniciar unas buenas… https://t.co/cvBoH22cRD
## 2 <U+0001F519><U+0001F483><U+0001F525> @JFrankoQG growupdance @jbalvin #reggaeton #jbalvin #dance #dancers #show #growup en Paseo… https://t.co/mck7Ixghdu
## 3 Google de Google, Inc. https://t.co/KuVbieQ6Pk
## 4 Acaba de publicar una foto en Asociación del Fútbol Argentino https://t.co/YjtHwaS0ab
## 5 // @AbiNicolosi @ Buenos Aires, Argentina https://t.co/3QkaylVtWy
## 6 Hola #FullStackTech2017 (@ Tecnópolis - @tecnopolisarg in Villa Martelli, Buenos Aires) https://t.co/zMOE5KsFbx
## created lang source user_name user_id
## 1 2017-11-23 14:41:42 es Instagram MauroRamzz 1.194116e+08
## 2 2018-02-03 02:04:16 en Instagram ggiannina_ 1.720857e+08
## 3 2018-04-25 01:56:51 en iOS PatriciPonce 2.356248e+09
## 4 2018-04-28 15:29:00 es Instagram LACASADED10S 7.916509e+17
## 5 2018-03-07 00:55:59 es Instagram idlet0wn 1.011428e+09
## 6 2017-11-30 11:35:45 es Foursquare luks_ 1.542621e+07
## user_created
## 1 2010/03/03 15:27:29+00
## 2 2010/07/28 21:49:32+00
## 3 2014/02/22 12:00:43+00
## 4 2016/10/27 14:40:58+00
## 5 2012/12/14 16:00:51+00
## 6 2008/07/14 13:17:13+00
## user_description
## 1 Presentador en #InfiltradosTV #ClaroTV #VisionTV magazine web #ContactosTV Estudiante #UQuindío, Bailarin y Modelo apasionado, sencillo y humilde <U+0001F466><U+0001F4AA>
## 2 <U+264C><U+0001F525> . 23.05.2016 <U+2661><U+0001F48F> \n<U+0001F380> http://instagram.com/shivideco <U+0001F380> • Juro solemnemente que mis intenciones no son buenas <U+0001F52E><U+2607>•
## 3 Abogada, ya de mayor, nunca es tarde cuando la dicha es buena. Muy peroncha y peleadora de tacheros pro x eso mejor a pata
## 4 Seguinos también en Facebook/ Follow us too Facebook: La casa de D10S and Instagram: lacasaded10s Dirección/Address: Lascano 2257 La Paternal
## 5
## 6 Love your hair! hope you win!! Archienemigo de la cebolla y el ajo. Creative Director. Views are my own
## user_location user_followers user_followed
## 1 Armenia, Quindío, Colombia 791 2533
## 2 Buenos Aires, Argentina 270 2694
## 3 130 1144
## 4 Buenos Aires Argentina 568 532
## 5 1684 25689
## 6 Buenos Aires, Argentina 1043 3632####Paso II
Analizamos la temporalidad de los tweets.
Primero comparamos el uso del twittee en rmba entre octubre 2017 y mayo 2018.
options(scipen = 20)
ggplot(tweets_rmba) +
geom_bar(aes(x = year(created)))+
labs(title = "Cantidad de tweets anualmente",
subtitle = "Region Metropolitana de Buenos Aires ",
caption="Fuente: Información de Twitter")
Como el dataset solo incluye datos de algunos meses de 2017 y algunos meses de 2018 los analizamos independientemete.
tweets_rmba %>%
filter(year(created) == 2017) %>%
ggplot() +
geom_bar(aes(x = month(created)))+
labs(title = "Cantidad de tweets por mes",
subtitle = "Region Metropolitana de Buenos Aires, octubre a diciembre 2017",
caption="Fuente: Información de Twitter")
tweets_rmba %>%
filter(year(created) == 2018) %>%
ggplot() +
geom_bar(aes(x = month(created)))+
labs(title = "Cantidad de tweets por mes",
subtitle = "Region Metropolitana de Buenos Aires, enero a mayo 2018",
caption="Fuente: Información de Twitter")
Elegimos el 2017 que en promedio tiene mayoy cantidad de tweets ,aunque haya datos de solo 3 meses, y analizamos que dias de la semana hay mayor cantidad de tweets.
tweets_rmba %>%
filter(year(created) == 2017) %>%
ggplot() +
geom_bar(aes(x = wday(created)))+
labs(title = "Distribucion de tweets semanalmente",
subtitle = "Region Metropolitana de Buenos Aires, octubre a diciembre 2017",
caption="Fuente: Información de Twitter")
Podemos observar que el ritmo de tweets tiene un pico claro el fin de semana , sobre todo el domingo, y despues empieza una curva descendente hacia mediados de semana que comienza a incrementarse nuevamente.
Intentamos analizarde que lugares de rmba surgen la mayor cantidad de tweets, en el 2010.
tweets_rmba %>%
filter(year(created) == 2017) %>%
count(user_location) %>%
top_n(5) %>%
arrange(desc(n))## Selecting by n## # A tibble: 5 x 2
## user_location n
## <chr> <int>
## 1 "" 3033
## 2 "Argentina" 2864
## 3 "Buenos Aires, Argentina" 2082
## 4 "Buenos Aires" 723
## 5 "Ciudad Autónoma de Buenos Aire" 710Observamos que es complicado de analizar ya que probablemente haya datos que parecen surgir de lugares diferentes, que probablemente no lo sean… por ejemplo Buenos Aires, Argentina probablemente sea lo mismo que Buenos Aires, o que CABA.De todos modos guardamos esta seleccion de datos.
ubicacion_frecuente <- tweets_rmba%>%
filter(year(created) == 2017) %>%
count(user_location) %>%
top_n(5) %>%
pull(user_location)## Selecting by nIntentamos hacer lo mismo con el origen del tweet (no la localizacion sino el “source”)
tweets_rmba %>%
filter(year(created) == 2017) %>%
count(source) %>%
top_n(5) %>%
arrange(desc(n))## Selecting by n## # A tibble: 5 x 2
## source n
## <chr> <int>
## 1 Instagram 14327
## 2 Es Tendencia en Argentina 1580
## 3 Twitter for Android 910
## 4 Foursquare 640
## 5 Sandaysoft Cumulus 547Podemos observar que la mayoria de los tweets tienen su origen en Instagram
head(tweets_rmba)## X Y id in_reply_to_status_id
## 1 -58.46670 -34.60000 933707131898883968 NA
## 2 -58.39022 -34.60438 959608445757545984 NA
## 3 -58.44256 -34.59396 988959995424322048 NA
## 4 -58.38583 -34.60056 990251542354841984 NA
## 5 -58.38170 -34.60330 971187671438712960 NA
## 6 -58.50743 -34.55959 936197053704786048 NA
## in_reply_to_user_id
## 1 NA
## 2 NA
## 3 NA
## 4 NA
## 5 NA
## 6 NA
## text
## 1 Mi #tbt de hoy es viajando a la eterna primavera noteseme la felicidad de iniciar unas buenas… https://t.co/cvBoH22cRD
## 2 <U+0001F519><U+0001F483><U+0001F525> @JFrankoQG growupdance @jbalvin #reggaeton #jbalvin #dance #dancers #show #growup en Paseo… https://t.co/mck7Ixghdu
## 3 Google de Google, Inc. https://t.co/KuVbieQ6Pk
## 4 Acaba de publicar una foto en Asociación del Fútbol Argentino https://t.co/YjtHwaS0ab
## 5 // @AbiNicolosi @ Buenos Aires, Argentina https://t.co/3QkaylVtWy
## 6 Hola #FullStackTech2017 (@ Tecnópolis - @tecnopolisarg in Villa Martelli, Buenos Aires) https://t.co/zMOE5KsFbx
## created lang source user_name user_id
## 1 2017-11-23 14:41:42 es Instagram MauroRamzz 119411584
## 2 2018-02-03 02:04:16 en Instagram ggiannina_ 172085747
## 3 2018-04-25 01:56:51 en iOS PatriciPonce 2356248204
## 4 2018-04-28 15:29:00 es Instagram LACASADED10S 791650904210599936
## 5 2018-03-07 00:55:59 es Instagram idlet0wn 1011428192
## 6 2017-11-30 11:35:45 es Foursquare luks_ 15426207
## user_created
## 1 2010/03/03 15:27:29+00
## 2 2010/07/28 21:49:32+00
## 3 2014/02/22 12:00:43+00
## 4 2016/10/27 14:40:58+00
## 5 2012/12/14 16:00:51+00
## 6 2008/07/14 13:17:13+00
## user_description
## 1 Presentador en #InfiltradosTV #ClaroTV #VisionTV magazine web #ContactosTV Estudiante #UQuindío, Bailarin y Modelo apasionado, sencillo y humilde <U+0001F466><U+0001F4AA>
## 2 <U+264C><U+0001F525> . 23.05.2016 <U+2661><U+0001F48F> \n<U+0001F380> http://instagram.com/shivideco <U+0001F380> • Juro solemnemente que mis intenciones no son buenas <U+0001F52E><U+2607>•
## 3 Abogada, ya de mayor, nunca es tarde cuando la dicha es buena. Muy peroncha y peleadora de tacheros pro x eso mejor a pata
## 4 Seguinos también en Facebook/ Follow us too Facebook: La casa de D10S and Instagram: lacasaded10s Dirección/Address: Lascano 2257 La Paternal
## 5
## 6 Love your hair! hope you win!! Archienemigo de la cebolla y el ajo. Creative Director. Views are my own
## user_location user_followers user_followed
## 1 Armenia, Quindío, Colombia 791 2533
## 2 Buenos Aires, Argentina 270 2694
## 3 130 1144
## 4 Buenos Aires Argentina 568 532
## 5 1684 25689
## 6 Buenos Aires, Argentina 1043 3632Nomnbramos esta nueva seleccion para luego graficarla mediante un grafico de Barras “apilado”.
Origen_frecuente <- tweets_rmba%>%
filter(year(created) == 2017) %>%
count(source) %>%
top_n(5) %>%
pull(source)## Selecting by ntweets_rmba %>%
filter(year(created) == 2017 ,
source %in% Origen_frecuente ) %>%
ggplot() +
geom_bar(aes(x = month(created), fill = source))+
labs(title = "Distribucion de tweets de acuerdo a su origen",
subtitle = "Region Metropolitana de Buenos Aires, 2017",
caption="Fuente: Información de Twitter")
Ahora graficamos mediante un grafico de lineas, haciendo el conteo por su origen y por dias de la semana.
conteo <- tweets_rmba %>%
filter(year(created) == 2017,
source %in% Origen_frecuente) %>%
count(source, diasemana = wday(created))ggplot(conteo) +
geom_line(aes(x = diasemana, y = n, group = source, color = source))+
labs(title = "Distribucion de tweets a lo largo de la semana, de acuerdo a su origen",
subtitle = "Region Metropolitana de Buenos Aires, octubre a diciembre 2017",
caption="Fuente: Información de Twitter")
Claramente el fin de semana se genera el mayor porcentaje de tweets de la semana, siendo su origen principal “INSTAGRAM”.
Paso III_A
Analizamos espacialmente los tweets… Para esto carganmos la libreria de ggmap.
library(ggmap)## Google's Terms of Service: https://cloud.google.com/maps-platform/terms/.## Please cite ggmap if you use it! See citation("ggmap") for details.Luego obtenemos y visualizamos nuestro “mapa base”.
tweets_rmba <- tweets_rmba %>%
filter(Y <0, X <0)
bbox <- c(min(tweets_rmba$X, na.rm = TRUE),
min(tweets_rmba$Y, na.rm = TRUE),
max(tweets_rmba$X, na.rm = TRUE),
max(tweets_rmba$Y, na.rm = TRUE))
RMBA <- get_stamenmap(bbox = bbox,
maptype = "toner-lite")## Source : http://tile.stamen.com/toner-lite/10/343/614.png## Source : http://tile.stamen.com/toner-lite/10/344/614.png## Source : http://tile.stamen.com/toner-lite/10/345/614.png## Source : http://tile.stamen.com/toner-lite/10/346/614.png## Source : http://tile.stamen.com/toner-lite/10/347/614.png## Source : http://tile.stamen.com/toner-lite/10/343/615.png## Source : http://tile.stamen.com/toner-lite/10/344/615.png## Source : http://tile.stamen.com/toner-lite/10/345/615.png## Source : http://tile.stamen.com/toner-lite/10/346/615.png## Source : http://tile.stamen.com/toner-lite/10/347/615.png## Source : http://tile.stamen.com/toner-lite/10/343/616.png## Source : http://tile.stamen.com/toner-lite/10/344/616.png## Source : http://tile.stamen.com/toner-lite/10/345/616.png## Source : http://tile.stamen.com/toner-lite/10/346/616.png## Source : http://tile.stamen.com/toner-lite/10/347/616.png## Source : http://tile.stamen.com/toner-lite/10/343/617.png## Source : http://tile.stamen.com/toner-lite/10/344/617.png## Source : http://tile.stamen.com/toner-lite/10/345/617.png## Source : http://tile.stamen.com/toner-lite/10/346/617.png## Source : http://tile.stamen.com/toner-lite/10/347/617.png## Source : http://tile.stamen.com/toner-lite/10/343/618.png## Source : http://tile.stamen.com/toner-lite/10/344/618.png## Source : http://tile.stamen.com/toner-lite/10/345/618.png## Source : http://tile.stamen.com/toner-lite/10/346/618.png## Source : http://tile.stamen.com/toner-lite/10/347/618.png## Source : http://tile.stamen.com/toner-lite/10/343/619.png## Source : http://tile.stamen.com/toner-lite/10/344/619.png## Source : http://tile.stamen.com/toner-lite/10/345/619.png## Source : http://tile.stamen.com/toner-lite/10/346/619.png## Source : http://tile.stamen.com/toner-lite/10/347/619.pngggmap(RMBA)
Y graficamos sobre el un mapa de densidad que nos muestra donde estan concentradas, dentro de RMBA, la mayor cantidad de observaciones (tweets en este caso).
ggmap(RMBA) +
geom_bin2d(data = tweets_rmba, aes(x = X, y = Y), bins = 100) +
scale_fill_viridis_c()+
labs(title = "Concentracion de tweets",
subtitle = "Region Metropolitana de Buenos Aires",
caption="Fuente: Información de Twitter")## Warning: Removed 3 rows containing missing values (geom_tile).
Paso III_B
Ahora hacemos un grafico facetado, que muestra la concentracion de las observaciones de acuerdo a su origen.
ggmap(RMBA) +
geom_density2d(data = filter(tweets_rmba, source %in% Origen_frecuente), aes(x = X, y = Y, color = stat(level))) +
scale_color_viridis_c() +
facet_wrap(~source, nrow = 1)+
labs(title = "Concentracion de tweets en relacion a su origen",
subtitle = "Region Metropolitana de Buenos Aires",
caption="Fuente: Información de Twitter")## Warning: Computation failed in `stat_density2d()`:
## bandwidths must be strictly positive
Analizamos la densidad de tweets como se distribuyen según su origen y observamos que Instagram tiene una mayor concentración manifestada por las líneas topográficas más juntas y con colores que se alejan del violeta.
Foursquare y Sandaysoft Cumulus poseen una concentración de líneas topográficas pero poca cantidad en la superficie del mapa, su aparición es puntual. Por otra parte Android toma una gran cantidad del mapa a través de sus líneas topográficas, pero con poca cantidad de densidad.
Paso IV
Hacemos un facetado por dia, comprando dos origenes diferentes de tweets.
tweets_rmba <- tweets_rmba %>%
mutate(dia_semana = wday(created))
ggmap(RMBA) +
geom_point(data = filter(tweets_rmba, source %in% c("Instagram", "Twitter for Android")), aes(x = X, y = Y, color = source), alpha = .1, size = .2) +
facet_wrap(~dia_semana, nrow = 2) +
labs(title = "Comparacion de tweets segun su origen",
subtitle = "Por día, en RMBA",
caption="Fuente: Información de Twitter",
x = "longitud",
y = "latitud")
Utilizamos alpha .1 para poder observar el contraste entre los tweets con orígen de Instagram y Android, es nostable como se destacan los tweets de la primera fuente y la segunda fuente queda practicamente imperceptible.
Asimismo, al emplear alpha .1 nos permite identificar la concentración de tweets e intentar disntinguir la distribución de los mismos, aunque no sea tan claro como en el gráfico de líneas, del Paso II.
Con esfuerzo distinguimos, una mayor mancha, mayor concentración de tweets los días domingo, sábdado y lunes y una menor concentración de tweets los días martes, miércoles, jueves y viernes
Ahora intentamos hacer un facetado por hora , los dias dias del fin de semana para ver en que momentos se generan la mayor cantidad de tweets o si es indistinto.
Comenzamos por hacer un mutate, para separar la columna de la hora de la de la fecha, generando solo la “hora base”, sin minutos ni segundos.
tweets_rmba <- tweets_rmba %>%
mutate(hora_base = hour(ymd_hms(created)))Hacemos un head para ver si se genero la columna de la “hora” correctamente.
head(tweets_rmba)## X Y id in_reply_to_status_id
## 1 -58.46670 -34.60000 933707131898883968 NA
## 2 -58.39022 -34.60438 959608445757545984 NA
## 3 -58.44256 -34.59396 988959995424322048 NA
## 4 -58.38583 -34.60056 990251542354841984 NA
## 5 -58.38170 -34.60330 971187671438712960 NA
## 6 -58.50743 -34.55959 936197053704786048 NA
## in_reply_to_user_id
## 1 NA
## 2 NA
## 3 NA
## 4 NA
## 5 NA
## 6 NA
## text
## 1 Mi #tbt de hoy es viajando a la eterna primavera noteseme la felicidad de iniciar unas buenas… https://t.co/cvBoH22cRD
## 2 <U+0001F519><U+0001F483><U+0001F525> @JFrankoQG growupdance @jbalvin #reggaeton #jbalvin #dance #dancers #show #growup en Paseo… https://t.co/mck7Ixghdu
## 3 Google de Google, Inc. https://t.co/KuVbieQ6Pk
## 4 Acaba de publicar una foto en Asociación del Fútbol Argentino https://t.co/YjtHwaS0ab
## 5 // @AbiNicolosi @ Buenos Aires, Argentina https://t.co/3QkaylVtWy
## 6 Hola #FullStackTech2017 (@ Tecnópolis - @tecnopolisarg in Villa Martelli, Buenos Aires) https://t.co/zMOE5KsFbx
## created lang source user_name user_id
## 1 2017-11-23 14:41:42 es Instagram MauroRamzz 119411584
## 2 2018-02-03 02:04:16 en Instagram ggiannina_ 172085747
## 3 2018-04-25 01:56:51 en iOS PatriciPonce 2356248204
## 4 2018-04-28 15:29:00 es Instagram LACASADED10S 791650904210599936
## 5 2018-03-07 00:55:59 es Instagram idlet0wn 1011428192
## 6 2017-11-30 11:35:45 es Foursquare luks_ 15426207
## user_created
## 1 2010/03/03 15:27:29+00
## 2 2010/07/28 21:49:32+00
## 3 2014/02/22 12:00:43+00
## 4 2016/10/27 14:40:58+00
## 5 2012/12/14 16:00:51+00
## 6 2008/07/14 13:17:13+00
## user_description
## 1 Presentador en #InfiltradosTV #ClaroTV #VisionTV magazine web #ContactosTV Estudiante #UQuindío, Bailarin y Modelo apasionado, sencillo y humilde <U+0001F466><U+0001F4AA>
## 2 <U+264C><U+0001F525> . 23.05.2016 <U+2661><U+0001F48F> \n<U+0001F380> http://instagram.com/shivideco <U+0001F380> • Juro solemnemente que mis intenciones no son buenas <U+0001F52E><U+2607>•
## 3 Abogada, ya de mayor, nunca es tarde cuando la dicha es buena. Muy peroncha y peleadora de tacheros pro x eso mejor a pata
## 4 Seguinos también en Facebook/ Follow us too Facebook: La casa de D10S and Instagram: lacasaded10s Dirección/Address: Lascano 2257 La Paternal
## 5
## 6 Love your hair! hope you win!! Archienemigo de la cebolla y el ajo. Creative Director. Views are my own
## user_location user_followers user_followed dia_semana hora_base
## 1 Armenia, Quindío, Colombia 791 2533 5 14
## 2 Buenos Aires, Argentina 270 2694 7 2
## 3 130 1144 4 1
## 4 Buenos Aires Argentina 568 532 7 15
## 5 1684 25689 4 0
## 6 Buenos Aires, Argentina 1043 3632 5 11Verificamos que la columna se genero correctamente asique graficamos :
ggmap(RMBA) +
geom_density2d(data = filter(tweets_rmba,
source == "Instagram",
!(wday(created) %in% 6:1) ),
aes(x = X,
y = Y,
color = stat(level))) +
scale_color_viridis_c() +
facet_wrap(~hora_base, nrow = 4) +
labs(title = "Generacion de tweets desde Instagram",
subtitle = "según hora del día, durante el fin de semana en RMBA",
caption="Fuente: Información de Twitter",
x = "longitud",
y = "latitud")
####Se observa como a la largo del día varía la concentración de tweets, existiendo un máximo de concentracion de los mismos a las 6:00, 10:00, 12:00 y 13:00 horas pero con poca dispersión, mientras que a las 8:00 y 9:00 horas éstos alcanzan su máxima dispersión. #### Luego a lo largo del resto del día se observa una distribución relativamente estándar.